基于迁移学习和集成学习的穿墙人体运动识别.

超宽带穿墙雷达(UWB TWR)(雷达传输信号的带宽大于$0.25$)应用于人体运动识别面临样本较 少和视角局限的问题。本文提出了一个基于迁移学习和集成学习的多雷达协同人体运动识别模型。将预训练的ResNeXt网络迁移到基于多雷达的运动识别任务中，解决了训练样本较少的问题；与ResNet相比，ResNeXt在不提高模型复杂度的情况下提高识别精度，并降低了超参数的数量。在单一视角下的模型准确率较低，采用多雷达协同工作的方法，通过集成学习进一步提高识别精度。

实验场景如上图所示。人体目标存在于四面墙中，墙外分布$8$个超宽带穿墙雷达，每两台雷达组成一对单发单收形式，则收集的雷达信号有$4$组（提供了$4$个视图的信息）。雷达采用步进频率的发射信号，接收二维范围剖面(range profile)的回波信号。人体目标在三个视角(即$0°$,$45°$,$90°$)下做出四种动作：拳击、站立、捡东西和挥动手臂；每个视角下每种动作重复$10$次，选定$6$个人体目标($4$个男性和$2$个女性)，共采集$3 \times 4 \times 10 \times 6 \times 4=2880$个样本。

作者选用在ImageNet数据集上预训练的ResNeXt网络，将其迁移到雷达信号处理中。该模型的结构如下图所示，为确保迁移学习性能，使用非对称正则化跨域变换(asymmetric regularized cross-domain transformation)方法，将雷达回波信号域映射到图像域。

基于迁移学习的ResNeXt模型在单视角的雷达样本上能够取得较高的识别率，通过集成学习，融合多视角的数据信息能够进一步提高方法性能。使用bagging方法进行集成，方法流程图如下。

下图为使用迁移学习的ResNeXt模型②和从头开始训练的ResNeXt模型①的损失曲线和准确率曲线。实验结果表明使用迁移学习能够提高模型收敛速度，获得更高的识别准确率。

下表为不同集成学习方法对应的模型准确率，其中Single-F是对四个单视角模型的结果多数投票得到。实验结果表明bagging能够有效提高模型识别准确率。